pemodelan ir
Post on 02-Feb-2016
149 Views
Preview:
DESCRIPTION
TRANSCRIPT
Pemodelan IRImam Cholissodin S.Si., M.Kom.
Sistem Temu Kembali Informasi/Information Retrieval
Table Of Content
1. Boolean Retrieval Model– Boolean Index – Inverted Index
2. Boolean Query Retrieval
3. Vector Space Model (The Next) TF, IDF & Cosine Similarity
4. Case Study
5. Latihan Individu
Boolean Retrieval Model• Model proses pencarian informasi dari query, yang
menggunakan ekspresi boolean.• Ekspresi boolean dapat berupa operator logika AND, OR
dan NOT.• Hasil perhitungannya hanya berupa nilai binary (1 atau
0).• Ini menyebabkan di dalam Boolean Retrieval Model
(BRM), yang ada hanya dokumen relevan atau tidak sama sekali. Tidak ada pertimbangan dokumen yang ‘mirip’.
Boolean Retrieval Model• Dalam pengerjaan operator boolean (AND, NOT, OR)
ada urutan pengerjaannya (Operator precedence).• Urutannya adalah:
– () Prioritas yang berada dalam tanda kurung– NOT– AND– OR
• Jadi kalau ada query sebagai berikut?– (Madding OR crow) AND Killed OR slain– (Brutus OR Caesar) AND NOT (Antony OR
Cleopatra)
Permasalahan IR• Misalkan kita ingin mencari dari cerita-cerita karangan
shakespeare yang mengandung kata Brutus AND Caesar AND NOT Calpurnia.
• Salah satu cara adalah: Baca semua teks yang ada dari awal sampai akhir.
• Komputer juga bisa disuruh melakukan hal ini (menggantikan manusia). Proses ini disebut grepping.
• Melihat kemajuan komputer jaman sekarang, grepping bisa jadi solusi yang baik.
Permasalahan IR• Tapi, kalau sudah bicara soal ribuan dokumen, kita perlu
melakukan sesuatu yang lebih baik.• Karena ada beberapa tuntutan yang harus dipenuhi :
– Kecepatan dalam pemrosesan dokumen yang jumlahnya sangat banyak.
– Fleksibilitas.– Perangkingan.
• Salah satu cara pemecahannya adalah dengan membangun index dari dokumen.
Incidence Matrix• Incidence matrix adalah suatu matrix yang terdiri dari
kolom (dokumen) dan baris (token/terms/kata).• Pembangunan index akan berbeda untuk tiap metode
Retrieval.• Untuk boolean model, salah satunya kita akan
menggunakan Incidence matrix sebagai index dari korpus (kumpulan dokumen) data kita.
• Dokumen yang ada di kolom adalah semua dokumen yang terdapat pada korpus data kita.
Incidence Matrix• Token/Terms/Kata pada baris adalah semua token unik
(kata yang berbeda satu dengan yang lainnya) dalam seluruh dokumen yang ada.
• Saat suatu token(t) ada dalam dokumen(d), maka nilai dari baris dan kolom (t,d) adalah 1. Jika tidak ditemukan, maka nilai kolom (t,d) adalah 0.
• Dari sudut pandang kolom, kita bisa tahu token apa saja yang ada di satu dokumen (d).
• Dari sudut pandang barisnya, kita bisa tahu di dokumen mana saja token (t) ada (posting lists).
Case Study A (1 of 3)• Perhatikan tabel berikut. (Vektor baris menyatakan keberadaan
suatu Token/Terms/Kata unik yang ada dalam semua dokumen. Vektor kolom menyatakan semua nama dokumen yang digunakan). Diketahui 6 dokumen dengan masing-masing kata yang terdapat di dalamnya. Jika kata tersebut berada dalam dokumen, maka Term Frekuensi Biner/ TFbiner = 1, jika tidak TFbiner = 0.
Antony &
Cleopatra
Julius Caesar
The Tempest
Hamlet Othello Macbeth
Antony 1 1 0 0 0 1
Brutus 1 1 0 1 0 0
Caesar 1 1 0 1 1 1
Calpurnia 0 1 0 0 0 0
Cleopatra 1 0 0 0 0 0
Mercy 1 0 1 1 1 1
Worser 1 0 1 1 1 0
….
Case Study A (2 of 3)• Dengan mengunakan Incidence matrix yang sudah
dibangun, kita sudah bisa memecahkan masalah yang pertama dihadapi tadi.
• Kemudian misalkan mencari hasil Boolean Query Retrieval : Brutus AND Caesar AND NOT Calpurnia
• Maka dapat diketahui dengan mudah, dokumen mana saja yang mengandung kata Brutus dan Caesar, tetapi tidak mengandung kata Calpurnia.
Case Study A (3 of 3)• TFbiner(Brutus) = 110100
• TFbiner(Caesar) = 110111
• TFbiner(Calpurnia) = 010000
• Brutus AND Caesar AND NOT Calpurnia
= 110100 AND 110111 AND NOT 010000
= 110100 AND 110111 AND 101111
= 100100
• Berarti, jawaban hasil Boolean Query Retrieval : Brutus AND Caesar AND NOT Calpurnia adalah Dokumen “Antony & Cleopatra” dan “Hamlet”
1 0 0 1 0 0
Latihan Individu (Today)• Buatlah Incidence matrix untuk dokumen-dokumen
berikut :
• Tentukan hasil boolean query retrieval berikut berdasarkan Incidence matrix di atas :– Home AND Sales AND NOT July– Home AND July AND NOT Sales
Dokumen (Doc)
Isi (Content)
Doc 1 New home sales top forecasts
Doc 2 Home sales rise in july
Doc 3 Increase in home sales in july
Doc 4 July new home sales rise
Inverted Index• Inverted index adalah sebuah struktur data index yang
dibangun untuk memudahkan query pencarian yang memotong tiap kata (term) yang berbeda dari suatu daftar term dokumen.
• Tujuan :– Meningkatkan kecepatan dan efisiensi dalam
melakukan pencarian pada sekumpulan dokumen.– Menemukan dokumen-dokumen yang mengandung
query user.
Inverted Index• Ilustrasi :
Brutus
Caesar
Calpurnia
(Dictionary) (Postings)
1 2 4 11 31 45 173 174
1 2 4 5 6 16 57 132 …
2 31 54 101
Kumpulan semua kata unik dari semua
dokumen
Posisi Token/Terms/Kata
pada dokumen
Inverted Index• Inverted index mempunyai vocabulary, yang berisi
seluruh term yang berbeda pada masing-masing dokumennya (unik), dan tiap-tiap term yang berbeda ditempatkan pada inverted list.
• Notasi :
<idj, fij,[O1,O2,…,Ok | fij |]>
Keterangan :–idj adalah ID dokumen dj yang mengandung term ti
–fij adalah frekuensi kemunculan term ti didokumen dj
–Ok adalah posisi term ti di dokumen dj.
Case Study B (1 of 4)• Perhatikan beberapa dokumen berikut : (Buatlah Inverted Index-nya)
– Dokument 1 (Id1):
– Dokument 2 (Id2) :
– Dokument 3 (Id3) :
Algoritma Genetik dapat digunakan untuk
1 2 3 4 5
Optimasi fuzzy
6 7
Optimasi fungsi keanggotaan pada fuzzy
1 2 3 4 5
Algoritma genetik merupakan algoritma Learning
1 2 3 4 5
Case Study B (2 of 4)• Set vocabulary :
{algoritma, genetik, dapat, digunakan, untuk, optimasi, fuzzy, fungsi, keanggotaan, pada, merupakan, learning}
• Inverted Index sederhana :Term Inverted List
Algoritma Id1, id3Dapat Id1
Digunakan Id1Fungsi Id2Fuzzy Id1, id2
Genetik Id1, id3Keanggotaan Id2
Learning Id3Merupakan Id3Optimasi Id1, id2
Pada Id2Untuk id1
Case Study B (3 of 4)• Bentuk komplek dari Inverted Index :
• Kemudian misalkan mencari hasil Boolean Query Retrieval : Fuzzy OR NOT (Genetik AND Learning)
Term Inverted List
Algoritma <Id1,1,[1]>, <id3,2,[1,4]>Dapat <Id1,1,[3]>
Digunakan <Id1,1,[4]>Fungsi <Id2,1,[2]>Fuzzy <Id1,1,[7]>, <id2,1,[5]>
Genetik <Id1,1,[2]>, <id3,1,[2]>Keanggotaan <Id2,1,[3]>
Learning <Id3,1,[5]>Merupakan <Id3,1,[3]>Optimasi <Id1,1,[6]>, <id2,1,[1]>
Pada <Id2,1,[4]>Untuk <Id1,1,[5]>
Case Study B (4 of 4)• Kemudian misalkan mencari hasil Boolean Query Retrieval : Fuzzy OR NOT (Genetik
AND Learning)
– TFbiner(Fuzzy) = 110
– TFbiner(Genetik) = 101
– TFbiner(Learning) = 001
• Fuzzy OR NOT (Genetik AND Learning)
= 110 OR NOT (101 AND 001)
= 110 OR NOT (001)
= 110 OR 110
= 110• Jadi hasil Boolean Query Retrieval : Fuzzy OR NOT (Genetik AND Learning) adalah
Dokumen “1 dan 2”.
Selesai
top related